"基于支持向量机与BP神经网络的裂缝识别算法研究"
本文研究的主要目的是为了研究基于支持向量机和BP神经网络的裂缝识别算法，并比较两种算法在少样本和多样本情况下的识别效果。
文中引入了裂缝识别的重要性，指出裂缝是混凝土结构中最常见的缺陷之一，对结构安全产生了严重的影响。传统的检测方法主要基于人工视觉检测，但这种方法成本高、检测效率低，并且检测结果往往依赖于检测人员的经验丰富程度。
为了解决上述问题，现在越来越多的研究人员开始采用数字图像处理技术来检测裂缝。常用的分类器有支持向量机和BP神经网络，文中对这两种分类器进行了对比测试。
文中首先介绍了基于支持向量机和BP神经网络的裂缝识别算法，并对两个算法的流程进行了对比。基于支持向量机的算法流程包括图像预处理、图像分割、特征提取、目标识别四个步骤。文中还对图像预处理和图像分割步骤进行了详细的介绍，包括灰度化公式、中值滤波与阈值分割算法。
在特征提取步骤中，文中选择了像素数比、宽高比和边缘相似性三个可用于区分线状对象和块状对象的特征值，以及线状物骨架二阶差分绝对值之和的平均值、骨架三阶差分绝对值之和的平均值、骨架的拟合曲线与自身所围成的平均面积等七个可用特征值。
文中还对基于支持向量机和BP神经网络的算法进行了对比测试，结果表明，在少样本情况下基于支持向量机的算法识别效果明显优于基于BP神经网络的算法，适合工程使用初期、裂缝样本较少的情况；在多样本情况下两种算法的识别效果基本一致，均可以用于工程上。
本文对基于支持向量机和BP神经网络的裂缝识别算法进行了深入的研究，并对两种算法的流程和效果进行了对比分析。该研究结果可以为混凝土结构的裂缝检测提供参考依据。
知识点：
1. 裂缝识别的重要性：裂缝是混凝土结构中最常见的缺陷之一，对结构安全产生了严重的影响。
2. 传统检测方法的缺陷：传统的检测方法成本高、检测效率低，并且检测结果往往依赖于检测人员的经验丰富程度。
3. 数字图像处理技术：数字图像处理技术可以用于检测裂缝，以提高检测效率和准确性。
4. 支持向量机和BP神经网络：支持向量机和BP神经网络是两种常用的分类器，文中对这两种分类器进行了对比测试。
5. 图像预处理和图像分割：图像预处理和图像分割是裂缝识别算法的重要步骤，文中对这两个步骤进行了详细的介绍。
6. 特征提取：特征提取是裂缝识别算法的关键步骤，文中选择了七个可用的特征值。
7. 算法对比测试：文中对基于支持向量机和BP神经网络的算法进行了对比测试，结果表明，在少样本情况下基于支持向量机的算法识别效果明显优于基于BP神经网络的算法，适合工程使用初期、裂缝样本较少的情况；在多样本情况下两种算法的识别效果基本一致，均可以用于工程上。
